Статистический анализ риска дефолта российских банков с использованием методов машинного обучения

Устойчивое развитие банковских учреждений традиционно считается ключевым фактором экономического роста и стабильности любой страны. Улучшение финансовых условий банковской системы предполагает своевременное обнаружение банков, в наибольшей степени подверженных риску дефолта. Для решения данной задачи органы финансового надзора разрабатывают системы раннего предупреждения, в основе которых лежат модели вероятности дефолта. В научной литературе подходы к анализу и моделированию вероятности дефолта принято делить на традиционные статистические методы и современные методы машинного обучения. Наличие предпосылок в первых существенно ограничивает возможность их применения. Алгоритмы машинного обучения, напротив, не зависят от каких-либо предпосылок, и потому могут работать более эффективно, чем статистические методы. В частности, они в большей степени решают проблемы заполнения пропусков, поиска аномалий и моделирования вероятности банкротства с учетом несбалансированности данных. Целью настоящего исследования являлась оптимизация методики исследования вероятности дефолта российских банков путем сравнения традиционных статистических методов и передовых алгоритмов машинного обучения. Выбор переменных осуществлялся по методологии CAMEL, в соответствие с которой финансовое состояние банка можно оценить с помощью факторов пяти групп риска, характеризующих капитал, активы, управление, прибыль и ликвидность. Для учета влияния внешней среды в набор потенциальных объясняющих переменных были добавлены макроэкономические и институциональные показатели. Особое внимание в работе было уделено решению проблемы несбалансированности классов, выбору оптимального горизонта прогнозирования, подбору оптимальных гиперпараметров и анализу качества моделей. В результате наилучшей оказалась нейронная сеть.